基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法
技术领域：
：1.本发明涉及ev充电负荷预测
技术领域：
：，具体涉及一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法。
背景技术：
：：2.随着全球尤其中国的电动汽车(electricvehicle,ev)产业正进入加速发展的新阶段，虽已明确要求城市各区域多配置充电设施，但是电动汽车ev具有道路交通网络负荷和电力网络负荷的双重属性，其驾驶行为和充电行为会受到路网和电网的交替影响。主动配电网是解决分布式新能源并网运行控制、电网与ev及其充放电设施互动、智能配用电问题的有效解决方案。目前国内外学者对含dg和ev的主动配电网网络重构开展了广泛的研究，但鲜有研究考虑ev负荷的时空分布特性和ev与交通系统、配电网的耦合性。技术实现要素：3.本发明提供一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，该方法计及车、路、网的耦合性，建立ev时空转移模型并应用于不同场景的充电负荷预测。针对含ev的adn，建立adn动态重构与无功、有功联合优化数学模型；同时将此联合优化模型进行转化为混合整数二阶锥规划问题，求解效率大幅提高。4.本发明采取的技术方案为：5.基于主动配电网(activedistributionnetwork,adn)动态重构与有功、无功联合优化模型的充电负荷预测方法，包括以下步骤：6.步骤1：建立ev单位里程能耗模型；7.步骤2：考虑车主主观意愿，建立ev充电负荷时空分布预测模型，适用不同场景的充电负荷预测；8.步骤3：计及综合运行成本与电压偏差指标确定目标函数，建立含adn动态重构与有功、无功联合优化数学模型；9.步骤4：基于约束条件，利用二阶锥松弛和变量乘积线性化方法，对步骤3联合优化数学模型进行转化。10.所述步骤1中，基于交通运输能力的速度、流量，考虑实际温度、交通运输状况的ev单位里程能耗模型以及ev的荷电状态，具体如下：[0011][0012]式中：为道路(i,j)上x处ev的速度，i和j分别为道路的两侧，表示道路(i,j)的车流量，tri,j表示交通运输能力，a1、a2、a3分别为道路自适应系数，χt为t时刻道路饱和度。表示t时刻道路饱和度的β次幂、表示t时刻道路饱和度的a3次幂；[0013]计及空调开启的ev每公里耗电量计算如下：[0014][0015]式中:eti,j(x)为未计空调开启的ev每公里耗电量；[0016]实际温度的变化能影响ev用户空调开启率，具体表示为：[0017][0018]式中：ktemp为能量比例系数，假设生成某一温度均匀分布的随机数r，如果r＜kpect，则开启空调。q1～q4和c1～c3为拟合参数，b代表温度，kpect表示不同温度下的空调开启率。[0019]综合式(2)和式(3)，ev的实际每公里耗电量表示为：[0020][0021]表示t时刻的能量比例系数、表示未计空调开启的ev每公里耗电量。[0022]因此，ev在地点x的荷电状态计算式为：[0023][0024]soc(x)表示ev在地点x的荷电状态计算式，socinit表示ev行驶的初始荷电状态，et(x)表示ev的实际每公里耗电量、cev表示电池容量、dx表示行驶起点到地点x的距离。[0025]所述步骤2中，基于出行链、蒙特卡罗抽样和马尔可夫决策理论，考虑车主主观意愿的ev充电负荷时空分布预测模型，应用于不同场景的充电负荷预测，具体如下：[0026]剩余电量和下一段行驶距离dnext之比越小，充电的意愿越强。采用模糊理论，根据用户主观意愿uusat来描述ev用户的主观充电意愿：[0027][0028]soc(x)表示ev在地点x的荷电状态计算式、cev表示电池容量、dnext表示下一段行驶距离、et(x)表示ev的实际每公里耗电量。[0029]引入ffuz表示充电意愿的模糊集，其隶属函数ffuz(uusat)，由以下公式(7)表示：[0030][0031]式中：uumaxsat、uuminsat分别为uusat的上、下限。uusat表示用户主观意愿、τ表示出于主观意愿给ev充电的概率。[0032]ev有两种充电模式，考虑充电成本和电池损耗，默认为慢充，若停驻结束，则慢充无法满足期望荷电状态socexp，即满足式(8)时选择快充：[0033][0034]cev表示电池容量、socexp表示期望荷电状态；[0035]式中：pslow为ev额定慢充功率，tip、sociinit分别为ev在停车点i的停车时长、初始荷电状态。若ev在行驶过程中的soc低于socthr，则会在中途进行充电，充电地点lmidpar为靠近目的地的充电站，充电时间tchar的计算公式如下：[0036][0037]dthr表示为ev从初始荷电状态socinit到临界荷电状态socthr的可行驶距离、socthr表示临界荷电状态、为靠近目的地的充电站的充电地点、rc表示ev的soc降至socthr时，经过充电站的数量、∑dr表示ev行程起点和第r个的充电站之间的距离、j表示第j个地点；[0038][0039]式中：dthr为ev从socinit到临界荷电状态socthr的可行驶距离；∑dr表示ev行程起点和第r个的充电站之间的距离；rc表示ev的soc降至socthr时，经过的充电站的数量；f(rc)表示rc对应的交通网络，pfast和pslow为额定快充功率和慢充功率。tchar表示充电时间、dmid表示从行驶起点到电动汽车的soc将至0时到达的充电站点之间的距离、∑dr表示ev行程起点和第r个的充电站之间的距离；[0040]根据交通节点和配电网络的耦合关系，统计各配电节点的时空负荷，配电节点z处的充电负荷pz(t)和配电网总充电负荷pdn(t)表示为：[0041][0042]表示在t时刻第n个电动汽车的充电功率、n表示z节点电动汽车充电数量。[0043][0044]pz(t)表示配电节点z处的充电负荷；[0045]式中：nev和nw分别为t时刻充电节点ev和充电节点数量，将pdn(t)储存于nw×24的矩阵w中，当模拟y1的数量达到最大值z1或满足公式(13)，模拟终止，否则重复充电负荷预测。[0046][0047]式中：wb表示w中的第b列向量；anwb表示第n次模拟的wb中的平均值；ξ1为收敛精度。表示第n-1次模拟的wb中的平均值；[0048]所述步骤3中，考虑综合运行成本和电压偏差指标，则adn动态重构与有功、无功联合优化数学模型的目标函数为：[0049]min{μ1(fl fdg fo) μ2cvfv}ꢀꢀ(14)；[0050]式中：fl、fdg和fo分别为有功网损、弃风弃光和开关动作的费用，fv为电压偏差；μ1和μ2为权重系数，且μ1 μ2＝1。cv表示成本系数；[0051][0052][0053][0054][0055]式中，t为总调度时间24h；ωe和ωdg分别为电网支路集合和dg所在节点集合；cl、cd和cv为不同成本系数；vth为理想运行电压的上下限阈值。iij,t表示t时刻流过支路ij的电流。rij表示支路ij的电阻，δt表示单个调度时间段，δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、pdg表示dg所在节点的有功功率，表示t时刻dg节点中i节点的有功功率。δzij0表示支路ij开关的初始状态。[0056]所述步骤4中，计及主动管理技术和ev时空分布，调节约束条件：[0057]1)系统功率约束：[0058][0059][0060][0061][0062]式中：δzij为0、1变量，表示支路ij处于开、闭状态；pg,i,t、qg,i,t分别为t时刻的注入节点i有功、无功功率；pij,t、qij,t为t时刻流过支路ij的有功、无功功率，均以从节点i流出为正；gij和bij分别为支路ij的电导和电纳；vi,t、vj,t和θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、n(i)表示与节点i相连的节点集合。[0063]2)支路载流量约束：[0064][0065]式中：iij,max为电流幅值的最大值。λij表示支路连接状态；[0066]3)节点电压约束：[0067]vi,min≤vi,t≤vi,maxꢀꢀ(24)；[0068]式中：vi,min和vi,max为节点i电压下限和上限。[0069]4)辐射型网络约束：[0070][0071]式中：eij、eji均为0、1变量，eij＝1表示支路潮流方向为节点j流向节点i，且节点j为节点i的父节点；n(i)表示与节点i相连的节点集合；ymk,e、ykm,e亦为0/1变量。eij、eji均为布尔变量：eij表示支路i-j的潮流方向变量、eji表示支路j-i的潮流方向变量、ymk,e、ykm,e均为0/1变量。e1j＝0限制了潮流只能从1号节点流出，为变电站节点、m和k分别为对偶图的节点，e为对偶图节点连接的支路、mk、sk分别为m,k节点集合。[0072]具体方法如下：[0073]现有配电网重构相关文献往往不涉及对偶图，根据图论提出一种求解配电网对偶图的算法。[0074]任意一个平面上的图g，若满足以下条件：[0075]①在g的每个面fi中选定一个点vi作为顶点；[0076]②对于g中的每条边e，画一条线e’，并且该线仅与e相交，其连接位于e两边的面fi中的顶点vi’作为边。[0077]该图称为图g的对偶图g’。[0078]求解对偶图的具体步骤如下：[0079]步骤①：将配电网络中所有开关闭合后转换为无向平面图g，并生成网络邻接矩阵，确定节点最大编号k，设m＝1。[0080]步骤②：判断有无与节点k相连的两个相异节点i，j。若不存在，则与节点k相连节点组成的支路在对偶图无对应支路。[0081]步骤③：使用floyd算法求解节点i和j之间所有节点编号都不大于k的最短路径。将该路径和路径ik、jk共同组成第m个最小环并储存。[0082]步骤④：判断k是否小于1，若不满足，则令k＝k-1，m＝m 1，并返回步骤二。若满足，取各最小环选一个点作为对偶节点，并记录对偶图节点数m。[0083]步骤⑤：搜索并记录原图g中m个最小环中每支路对应对偶节点之间连接状态。[0084]5)cb约束：[0085]投切电容器(capacitorbanks,cb)，其约束为：[0086][0087]式中：yj,tcb为t时段电容投运组数，为整数变量，qjcb,step为每组电容器的无功输出量。[0088]表示t时段投运的电容器的无功输出量、表示t时刻电容投运的最大组数、表示任意一个、ωcb表示cb所在节点集合，t表示t时段；[0089]6)svc约束：[0090]静止无功补偿装置(staticvarcompensation,svc)，其约束为：[0091][0092]式中：qjsvc,min、qjsvc,max为svc功率的下、上限。[0093]表示t时刻节点j无功补偿功率大小、ωsvc表示svc所在节点集合；[0094]7)oltc运行约束：[0095]有载分接开关(onloadtapchanger,oltc)，其约束为：[0096][0097]式中：rj,t表示oltc变比平方、rj,s表示oltc档位s和档位s-1的变比平方差值、vj,min、vj,max分别表示节点j可调压的最小/最大的范围。ωsub为变电站节点；vj,tbase为变压器高压侧电压值；rj,t为oltc变比平方，rjmax和rjmin为rj,t上、下限；rj,s为oltc档位s、s-1的变比平方差值；δj,s,toltc为0/1变量，调节次数约束如下：[0098][0099]式中：δj,toltc,in和δj,toltc,de为oltc档位调节变化，t和t-1表示时间；srj为档位变化最大范围；λjoltc,max为oltc档位日内可动作最大次数。为0/1变量，表示档位调节变化，保证档位依次动作111000。[0100]8)ess约束：[0101][0102]式中：yj,tch和yj,tdis表示充、放电状态，为0、1变量；pjmax、ej,tess、α、β分别为ess最大充电功率、t时段的电量和充、放电效率。表示ess在t 1时段的电量、表示ess在t时段的电量、表示最大电量、表示放电状态时的功率、表示充电状态时的功率。[0103]9)dg出力约束[0104]分布式新能源(distributedgeneration,dg)接入的有功功率和无功功率约束如下：[0105][0106]式中：pdg,j,t和qdg,j,t分别为t时刻dg节点处的实际有功、无功功率；和为该时刻出力预测值和弃dg的量；并且对dg采取限定功率因素范围运行。pdg,j,t、qdg,j,t分别表示t时刻dg节点处的有功、无功功率、表示t时刻出力预测值、表示dg的有功功率角。[0107]10)开关动作次数约束：[0108][0109]式中：δzij0表示支路ij开关的初始状态；λswmax为最大动作次数。δzij为0、1变量，表示支路ij处于开、闭状态，ωe表示电网支路集合；[0110]所述步骤4中，利用二阶锥松弛的方法将非凸形式的潮流约束进行凸化处理，具体如下：[0111]为保证解的最优性和近似精度，首先对潮流方程进行变量替换，定义：[0112][0113]ui,t、uj,t分别对应到支路“i-j”相关的“支路电压”变量、wij,t和tij,t为与线路“i-j”相关的变量、vi,t、vj,t、θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。[0114]上式中存在离散变量与连续变量相乘，引入支路通断状态和支路电压共同决定的支路虚拟端电压变量进行解耦，并增加以下约束：[0115][0116]分别为与节点i，j相关的节点电压变量、ui,t、uj,t表示对应到支路“i-j”相关的“支路电压”变量，δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、vi,max、vj,max分别表示节点i，j可调压的最小/最大的范围。[0117]以及公式可知，当δzij＝0时，ui,tij＝uj,tij＝0；当δzij＝1时，ui,tij＝ui,t、uj,tij＝uj,t，进行变量代换，则潮流方程转化为：[0118][0119]分别为与节点i，j相关的节点电压变量，pij,t、qij,t为t时刻流过支路ij和的有功、无功功率，均以从节点i流出为正；pji,t、qji,t为t时刻流过支路ji和的有功、无功功率，均以从节点j流出为正；gij和bij分别为支路ij的电导和电纳；wij,t和tij,t为与线路“i-j”相关的变量；[0120][0121]分别为与节点i，j相关的节点电压变量、wij,t和tij,t为与线路“i-j”相关的变量。[0122]对上式(36)进行二阶锥松弛为：[0123][0124]分别为与节点i，j相关的节点电压变量、wij,t和tij,t为与线路“i-j”相关的变量。[0125]所述步骤4中，引入支路虚拟端电压变量，对非凸的变量乘积项进行变量分离线性化，具体如下：[0126]消除开关次数约束条件中含有的绝对值非线性约束，引入辅助变量进行线性化：[0127][0128]以及公式中yij为辅助变量，yij＝1表示开关状态改变；反之，不变。[0129]表示支路ij开关的初始状态；δzij为0、1变量，表示支路ij处于开、闭状态；[0130]adn动态重构与无功、有功联合优化数学模型的目标函数中的电压偏差绝对值通过引入辅助变量ui,taux进行线性化：[0131][0132]fv为电量偏差、表示辅助变量、ui,t、uj,t表示对应到支路“i-j”相关的“支路电压”变量、vth为理想运行电压的上下限的阈值。[0133]通过转化，将联合优化数学模型转换为一个混合整数二阶锥规划问题。[0134]还包括步骤6，所述步骤6中，基于修改的ieee33节点系统算例，进行仿真验证：[0135]1)、根据输入参数的不同，对工作日、双休日、高温日和拥堵日四个不同的场景进行建模分析。[0136]2)、不同场景下的充电负荷在时间和空间上都有较大的波动，对不同模式下的优化结果进行对比分析，为此满足ev时空负荷接入adn的安全、稳定运行。选取负荷波动最大的拥堵日，分析四种不同模式下的优化结果：[0137]模式1：仅考虑ess和dg有功功率优化。[0138]模式2：在模式1的基础上考虑电压偏差。[0139]模式3：在模式2的基础上添加oltc、cb、svc进行有功-无功功率联合优化。[0140]模式4：在模式3有功、无功功率联合优化的基础上添加动态网络重构。[0141]本发明一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，技术效果如下：[0142]1)本发明计及温度、交通状况和车主主观意愿的ev充电负荷时空分布预测模型考虑了天、人、路对ev出行路径的影响，可以真实反映ev出行路径的随机性和各因素间的耦合性。[0143]2)本发明计及主动管理技术和考虑经济性与技术性指标的adn动态重构与有功、无功联合优化模型可显著降低网损、促进dg消纳和减少系统电压波动；同时可以通过改变经济性与技术性指标权重得到体现偏好的adn运行方案。[0144]3)本发明利用二阶锥松弛和变量乘积线性化有效地将联合优化模型进行凸化处理，在满足工程求解精度的同时降低了求解的复杂度，显著提高了模型的求解效率。储能削峰填谷作用明显，ev充电站合理配置储能系统将进一步降低ev时空负荷随机性对电网的冲击，提高adn运行的经济性和可靠性。附图说明[0145]图1为基于马尔可夫决策理论的交通网络示意图。[0146]图2为电动汽车充电负荷计算流程图[0147]图3为某城区路-网耦合拓扑示意图；[0148]图4(1)为工业区、商业区和居民区24小时动态负荷数据参数示意图。[0149]图4(2)24小时分时电价参数图。[0150]图5(1)为工作日的充电负荷时空分布图；[0151]图5(2)为双休日的充电负荷时空分布图。[0152]图6(1)为高温日的充电负荷时空分布图；[0153]图6(2)为拥堵日的充电负荷时空分布图；[0154]图7(1)为模式1下的24h网络节点电压分布图；[0155]图7(2)为模式2下的24h网络节点电压分布图；[0156]图7(3)为模式3下的24h网络节点电压分布图；[0157]图7(4)为模式4下的24h网络节点电压分布图。[0158]图8(1)为各设备节点的无功补偿的出力情况示意图；[0159]图8(2)为各设备节点的储能额充放电情况示意图。[0160]图9为配电网的二阶松弛误差分析图。具体实施方式[0161]下面结合实施例及附图，对本发明做进一步地详细说明，但本发明的实施方式不限于此。[0162]基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，包括如下步骤：[0163]1、考虑综合运行成本和电压偏差指标，则主动配电网动态重构与无功、有功联合优化数学模型：[0164]min{μ1(fl fdg fo) μ2cvfv}[0165]式中：fl、fdg和fo分别为有功网损、弃风弃光和开关动作的费用，fv为电压偏差；μ1和μ2为权重系数，且μ1 μ2＝1。[0166]2、ev充电负荷预测模型：[0167]考虑基于交通运输能力的速度-流量模型，综合考虑实际温度，交通运输状况的ev单位里程能耗模型以及ev的荷电状态：[0168][0169]式中：νti,j(x)为道路(i,j)上x处ev的速度，i和j分别为道路的两侧，dti,j(x)表示道路(i,j)的车流量，tri,j表示交通运输能力，a1、a2、a3为道路自适应系数，χt为t时刻道路饱和度。[0170]计及空调开启的ev每公里耗电量计算如下：[0171][0172]式中:eti,j(x)为未计空调开启的ev每公里耗电量。[0173]实际温度的变化能影响ev用户空调开启率，具体可表示为：[0174][0175]式中：ktemp为能量比例系数，假设生成某一温度均匀分布的随机数r，如果r＜kpect，则开启空调。q1～q4和c1～c3为拟合参数，b代表温度。[0176]综合式(2)和式(3)，ev的实际每公里耗电量可表示为：[0177][0178]因此，ev在地点x的荷电状态计算式为：[0179][0180]电动汽车的充电行为分为荷电状态不足时充电和行程结束后因里程焦虑主观意愿充电两类：1)电动汽车的soc可行驶距离不足以到达下一个目的地或者充电站时，则用户会选择在当前地点充电。2)电动汽车不足以满足下一段行程，用户会出于主观意愿给电动汽车充电。剩余电量和下一段行驶距离之比越小，充电的意愿越强。基于以上两种情况，采用模糊理论，根据用户满意度指标uusat来描述电动汽车用户的主观充电意愿：[0181][0182]引入ffuz表示充电意愿的模糊集，其隶属函数ffuz(uusat)可由以下公式(7)表示：[0183][0184]式中：uumaxsat、uuminsat分别为uusat的上、下限。[0185]ev有两种充电模式，考虑充电成本和电池损耗，默认为慢充，若停驻结束，则慢充无法满足期望荷电状态socexp，即满足式(8)时选择快充：[0186][0187]式中：pslow为ev额定慢充功率，tip、sociinit分别为ev在停车点i的停车时长、初始荷电状态。若ev在行驶过程中的soc低于socthr，则会在中途进行充电，充电地点lmidpar为靠近目的地的充电站，充电时间tchar的计算公式如下：[0188][0189][0190]式中：dthr为ev从socinit到临界荷电状态socthr的可行驶距离；∑dr表示ev行程起点和第r个的充电站之间的距离；rc表示ev的soc降至socthr时，经过的充电站的数量；f(rc)表示rc对应的交通网络，pfast和pslow为额定快充功率和慢充功率。[0191]根据交通节点和配电网络的耦合关系，统计各配电节点的时空负荷，配电节点z处的充电负荷pz(t)和配电网总充电负荷pdn(t)可以表示为：[0192][0193][0194]式中：nev和nw分别为t时刻充电节点ev和充电节点数量，将pdn(t)储存于nw×24的矩阵w中，当模拟y1的数量达到最大值z1或满足公式(14)，模拟终止，否则重复充电负荷预测。[0195][0196]式中：wb表示w中的第b列向量；anwb表示第n次模拟的wb中的平均值；ξ1为收敛精度。具体的时空负荷计算预测的流程图如图2所示。[0197]3、联合优化数学模型的约束条件：[0198]1)系统功率约束：[0199][0200][0201][0202][0203]式中：δzij为0、1变量，表示支路ij处于开、闭状态；pg,i,t、qg,i,t分别为t时刻的注入节点i有功、无功功率；pij,t、qij,t为t时刻流过支路ij的有功、无功功率，均以从节点i流出为正；gij和bij分别为支路ij的电导和电纳；vi,t、vj,t和θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。[0204]2)支路载流量约束：[0205][0206]式中：iij,max为电流幅值的最大值。[0207]3)节点电压约束：[0208]vi,min≤vi,t≤vi,maxꢀꢀ(24)；[0209]式中：vi,min和vi,max为节点i电压下限和上限。[0210]4)辐射型网络约束：[0211][0212]式中：eij、eji均为0、1变量，eij＝1表示支路潮流方向为节点j流向节点i，且节点j为节点i的父节点；n(i)表示与节点i相连的节点集合；ymk,e、ykm,e亦为0/1变量。[0213]配电网络一般都是闭环设计、开环运行，利用如下步骤所示的最小生成树法可以确保重构过程中配电网络的辐射结构。现有配电网重构相关文献往往不涉及对偶图，根据图论提出一种求解配电网对偶图的算法。任意一个平面上的图g，若满足以下条件：(1)在g的每个面fi中选定一个点vi作为顶点；(2)对于g中的每条边e，画一条线e’，并且该线仅与e相交，其连接位于e两边的面fi中的顶点vi’作为边。则该图称为图g的对偶图g’。[0214]求解对偶图的具体步骤如下：[0215]步骤一：将配电网络中所有开关闭合后转换为无向平面图g，并生成网络邻接矩阵，确定节点最大编号k，设m＝1。[0216]步骤二：判断有无与节点k相连的两个相异节点i，j。若不存在，则与节点k相连节点组成的支路在对偶图无对应支路。[0217]步骤三：使用floyd算法求解节点i和j之间所有节点编号都不大于k的最短路径。将该路径和路径ik、jk共同组成第m个最小环并储存。[0218]步骤四：判断k是否小于1，若不满足，则令k＝k-1，m＝m 1，并返回步骤二。若满足，取各最小环选一个点作为对偶节点，并记录对偶图节点数m。[0219]步骤五：搜索并记录原图g中m个最小环中每支路对应对偶节点之间连接状态。[0220]5)cb约束：[0221]cb为离散型无功补偿，其约束为：[0222][0223]式中：yj,tcb为t时段电容投运组数，为整数变量，qjcb,step为每组电容器的无功输出量。[0224]6)svc约束：[0225]svc为连续无功调节装置，其约束为：[0226][0227]式中：qjsvc,min、qjsvc,max为svc功率的下、上限。[0228]7)oltc运行约束：[0229]oltc为有载分接开关，其约束为：[0230][0231]式中：ωsub为变电站节点；vj,tbase为变压器高压侧电压值；rj,t为变比平方，rjmax和rjmin为rj,t上、下限；rj,s为oltc档位s、s-1的变比平方差值；δj,s,toltc为0/1变量，调节次数约束如下：[0232][0233]式中：δj,toltc,in和δj,toltc,de为oltc档位调节变化；srjoltc为档位变化最大范围；λjoltc,max为oltc档位日内可动作最大次数。[0234]8)ess约束：[0235][0236]式中：yj,tch和yj,tdis表示充、放电状态，为0、1变量；pjmax、ej,tess、α、β分别为ess最大充电功率、t时段的电量和充、放电效率。[0237]9)dc出力约束[0238]dg接入的有功功率和无功功率约束如下：[0239][0240]式中：pdg,j,t和qdg,j,t分别为t时刻dg节点处的实际有功、无功功率；pfdg,j,t和pcurtdg,j,t为该时刻出力预测值和弃dg的量；并且对dg采取限定功率因素范围运行。[0241]10)开关动作次数约束：[0242][0243]式中：δzij0表示支路ij开关的初始状态；λswmax为最大动作次数。[0244]4、利用二阶锥松弛的方法将非凸形式的潮流约束进行凸化处理，为保证解的最优性和近似精度，首先对潮流方程进行变量替换，定义：[0245][0246]上式中存在离散变量与连续变量相乘，引入支路通断状态和支路电压共同决定的支路虚拟端电压变量uiij、ujij进行解耦，并增加以下约束：[0247][0248]公式可知，当δzij＝0时，ui,tij＝uj,tij＝0；当δzij＝1时，ui,tij＝ui,t、uj,tij＝uj,t，进行变量代换，则潮流方程转化为：[0249][0250][0251]对上式(32)进行二阶锥松弛为：[0252][0253]引入支路虚拟端电压变量对非凸的变量乘积项进行变量分离线性化，消除开关次数约束条件中含有的绝对值非线性约束，引入辅助变量进行线性化：[0254][0255]以及公式中yij为辅助变量，yij＝1表示开关状态改变；反之，不变。[0256]adn动态重构与无功、有功联合优化数学模型的目标函数中的电压偏差绝对值通过引入辅助变量ui,taux进行线性化：[0257][0258]通过转化，将联合优化数学模型转换为一个混合整数二阶锥规划问题，求解效率大幅提高。[0259]5、算例分析：[0260]基于马尔可夫决策理论的ev出行路径，过程包含有出行链的决策时间集、空间状态集、动作集、转移概率矩阵集合以及回报值这五种参数，分别记为{t,s,a,p,r}，交通网络示意图如图1所示，以及根据出行路径与充电的时空信息进行充电负荷计算预测的流程图如图2所示。以修改的ieee33节点系统与城区路网耦合网络为算例，路-网耦合拓扑示意图如图3(1)所示，配电网节点的耦合关系、各时段网络道路饱和度以及各道路具体距离，如表1、表2、表3所示：[0261]表1路-网节点耦合信息参数[0262][0263]表2交通道路饱和度参数[0264][0265]表3交通道路长度参数[0266][0267]该区域工作日和双休日的出行链及比例和具体参数如表4所示，以及不同出行链的概率分布如表5所示。[0268]表4工作日和双休日出行链结构和构成比例参数[0269][0270]表5工作日和双休日出行链结构和构成比例参数[0271][0272]针对温度能耗模型和用户主观充电意愿模型，得到工作日与双休日充电负荷分布示意图如图5(1)～图5(2)所示，以及高温日与拥堵日充电负荷分布示意图如图6(1)～图6(2)所示，工业区、商业区和居民区24小时动态负荷数据参数和分时电价参数如图6所示。选取负荷波动最大的拥堵日，四种模式下的优化结果如表6所示。[0273]表6四种模式下的优化结果[0274][0275]从表6可以得到由于充电负荷波动很大，当不考虑ess和dg时，电压会低于0.95pu，电压越下限，所以没有设置对比分析。在考虑有功优化的基础上，四种模式下的优化结果如表1所示，对比模式1和模式2，可看出，运行成本略微增加，但电压的越下限风险明显降低；对比模式2和模式3可看出，有功-无功联合优化显著降低线损成本和主动购电费用，分别降低了49.4％和8.9％，同时大幅度减少dg的弃风、光现象，降低了81.1％；对比模式3和模式4，可看出考虑动态网络重构可以进一步降低网损和主动购电费用，分别降低了33.8％和4.4％，同时促进了dg的完全消纳，表明在ev时空负荷接入后动态重构和有功-无功联合优化对提高配电网经济运行方面有良好的效果。[0276]四种模式下的24h网络节点电压分布如图7(1)～图7(4)所示。[0277]svc、cb和oltc等设备的无功补偿和储能情况分别如图8(1)和图8(2)所示。[0278]这些设备的具体参数如表7所示。进行误差分析时，二阶锥松弛误差如图9所示。从图9可以得到可知二阶锥误差均为10-8数量级，二阶锥满足工程要求。从图中可见存在断点，是因为配电网运行方式为开环，网络中存在断开支路，而断开支路的误差为0。[0279]表7wt、pv、ess、cb以及svc设备参数[0280][0281]为验证模型的优越性，现将模型转化前后的求解速度进行比对。转换前优化模型为minlp，对于大规模非线性规划问题，现有的求解方法有智能算法和传统的数值方法，本文将以粒子群算法和knitro算法包为例进行比较，如表8所示，可以看出，直接求解所耗时间长且难以求解，将模型转化为misocp后，求解效率显著提升。[0282]表8不同方法求解速度比较[0283]table2differentmethodstosolvethespeed[0284][0285][0286]1)根据已知参数和建好的数学模型，温度能耗模型和用户主观充电意愿模型使充电时空分布更加真实，基于上述考虑，根据输入参数的不同，对工作日、双休日、高温日和拥堵日四个不同的场景进行建模分析。[0287]2)在工作日，工作区用电高峰时段主要集中在9:00-12:00，居民区和商业区用电高峰时段主要集中在18:00～22:00，其余时间各地点充电负荷几乎为0。而双休日不上班，工作区充电负荷基本为0，居民区和商业区的充电负荷09:00-24:00呈均匀分布。这种时空分布主要是由于行程的出行链结构和出发时间决定的。如图5(1)、图5(2)所示，工作日和双休日中各区域的负荷峰值时段相较出发起始时段均延迟1-3个小时，这个时间差为交通出行导致。此外，工作日的负荷峰值大概为双休日负荷峰值的1.5倍，这是因为双休日中30％的出行车辆数量为闲置，从而未产生额外充电负荷。[0288]3)研究温度和交通状况对充电需求的影响，进行了高温日和拥堵日的充电负荷预测，结果如图6(1)、图6(2)所示。需要说明的是，高温日和拥堵日的输入参数除温度和电动车行驶速度外，其余与工作日相同。可以看出，高温日的时空分布与工作日基本一致，但前者负荷峰值急剧增加，增长负荷占工作日负荷的80.1％。这是由于在高温日，ev的电能消耗不仅用于交通，还有一部分用于空调制冷。而对于拥堵日，充电负荷幅值相较工作日负荷增长52.3％，且负荷整体出现了时间维度上的迟滞，尤其是居民区在20:00以后才逐渐进入负荷高峰，这是因为ev的拥堵导致交通耗时增加，从而造成了接入时段整体后移。[0289]4)分析了不同场景下的充电负荷后，可发现，充电负荷在时间和空间上都有较大波动。为满足ev时空负荷接入adn的安全、稳定运行，本文进行对比分析。[0290]模式1：仅考虑ess和dg有功功率优化。[0291]模式2：在模式1的基础上考虑电压偏差。[0292]模式3：在模式2的基础上添加oltc、cb、svc进行有功-无功功率联合优化。[0293]模式4：在模式3有功、无功功率联合优化的基础上添加动态网络重构。[0294]5)由于充电负荷波动很大，当不考虑ess和dg时，电压会低于0.95pu，电压越下限，所以没有设置对比分析。在考虑有功优化的基础上，四种模式下的优化结果如表6所示，对比模式1和模式2，可看出，运行成本略微增加，但电压的越下限风险明显降低，结合图7(1)～图7(4)分析看出；对比模式2和模式3可看出，有功-无功联合优化显著降低线损成本和主动购电费用，分别降低了49.4％和8.9％，同时大幅度减少dg的弃风、光现象，降低了81.1％；对比模式3和模式4，可看出考虑动态网络重构可以进一步降低网损和主动购电费用，分别降低了33.8％和4.4％，同时促进了dg的完全消纳，表明在ev时空负荷接入后动态重构和有功-无功联合优化对提高配电网经济运行方面有良好的效果。[0295]6)四种模式下的网络节点电压分布如图7(1)～图7(4)所示。从图7(1)～图7(4)中可发现，模式1和模式2由于接入的负荷较大，并且未考虑oltc、cb、svc，导致配电网无功电压补偿不足，电压水平普遍偏低，但模式2考虑了电压偏差，电压在0.95pu附近的(图中的蓝色部分)明显减少；模式3采用了有功无功联合优化后，显著提高了各节点电压的水平，但电压曲线变化较大，这是由于充电负荷随时间变化较大导致的；而动态重构可以改善电压波动，对比模式2和模式3，模式4的动态重构和有功-无功联合优化使节点电压更为平稳，全部在0.97pu～1.03pu之间，可看出通过改变网络拓扑结构能有效平抑时空负荷引起的电压波动，提高配电网电压质量，也说明当ev时空负荷接入后，动态重构和多种主动管理措施能保证配电网的安全、经济运行。另外，添加电压偏移阈值后，运行成本只是略微上升，运营商可以通过牺牲一定的经济性，改变电压偏移的权重，从而降低电压越限的风险。[0296]7)无功补偿的出力如图8(1)所示，5节点的cb和svc设备在6:00后出力逐渐升高，并在10:00达到峰值，这是由于5号节点相连的25号节点对应的区域为工业区，其用电高峰主要集中在09:00-12:00，同时此时段系统的总负荷也最大，所以5节点的补偿值在该时段达到最大，并且其它节点的补偿值也有所提高。储能的充、放电是由电价和负荷共同决定的，如图8(2)所示，0:00-7:00和9:00-12:00电价分别处于最低和最高，储能受分时电价的影响在0:00-7:00进行充电、9:00-12:00进行放电。节点15和节点32所属的居民区和商业区在20:00以后才进入负荷高峰，为减轻高负荷对电网的冲击，储能在13:00-19:00进行充电，20:00-24:00进行放电，可以看出储能在ev接入后起到了一个良好的削峰填谷的作用。另外，两个节点储能的充、放电趋势大致相同说明电价是影响储能出力的主要原因。[0297]8)由图9可知，二阶锥误差均为10-8数量级，二阶锥满足工程要求。从图中可见存在断点，是因为配电网运行方式为开环，网络中存在断开支路，而断开支路的误差为0。当前第1页12当前第1页12
技术领域：
：1.本发明涉及ev充电负荷预测
技术领域：
：，具体涉及一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法。
背景技术：
：：2.随着全球尤其中国的电动汽车(electricvehicle,ev)产业正进入加速发展的新阶段，虽已明确要求城市各区域多配置充电设施，但是电动汽车ev具有道路交通网络负荷和电力网络负荷的双重属性，其驾驶行为和充电行为会受到路网和电网的交替影响。主动配电网是解决分布式新能源并网运行控制、电网与ev及其充放电设施互动、智能配用电问题的有效解决方案。目前国内外学者对含dg和ev的主动配电网网络重构开展了广泛的研究，但鲜有研究考虑ev负荷的时空分布特性和ev与交通系统、配电网的耦合性。技术实现要素：3.本发明提供一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，该方法计及车、路、网的耦合性，建立ev时空转移模型并应用于不同场景的充电负荷预测。针对含ev的adn，建立adn动态重构与无功、有功联合优化数学模型；同时将此联合优化模型进行转化为混合整数二阶锥规划问题，求解效率大幅提高。4.本发明采取的技术方案为：5.基于主动配电网(activedistributionnetwork,adn)动态重构与有功、无功联合优化模型的充电负荷预测方法，包括以下步骤：6.步骤1：建立ev单位里程能耗模型；7.步骤2：考虑车主主观意愿，建立ev充电负荷时空分布预测模型，适用不同场景的充电负荷预测；8.步骤3：计及综合运行成本与电压偏差指标确定目标函数，建立含adn动态重构与有功、无功联合优化数学模型；9.步骤4：基于约束条件，利用二阶锥松弛和变量乘积线性化方法，对步骤3联合优化数学模型进行转化。10.所述步骤1中，基于交通运输能力的速度、流量，考虑实际温度、交通运输状况的ev单位里程能耗模型以及ev的荷电状态，具体如下：[0011][0012]式中：为道路(i,j)上x处ev的速度，i和j分别为道路的两侧，表示道路(i,j)的车流量，tri,j表示交通运输能力，a1、a2、a3分别为道路自适应系数，χt为t时刻道路饱和度。表示t时刻道路饱和度的β次幂、表示t时刻道路饱和度的a3次幂；[0013]计及空调开启的ev每公里耗电量计算如下：[0014][0015]式中:eti,j(x)为未计空调开启的ev每公里耗电量；[0016]实际温度的变化能影响ev用户空调开启率，具体表示为：[0017][0018]式中：ktemp为能量比例系数，假设生成某一温度均匀分布的随机数r，如果r＜kpect，则开启空调。q1～q4和c1～c3为拟合参数，b代表温度，kpect表示不同温度下的空调开启率。[0019]综合式(2)和式(3)，ev的实际每公里耗电量表示为：[0020][0021]表示t时刻的能量比例系数、表示未计空调开启的ev每公里耗电量。[0022]因此，ev在地点x的荷电状态计算式为：[0023][0024]soc(x)表示ev在地点x的荷电状态计算式，socinit表示ev行驶的初始荷电状态，et(x)表示ev的实际每公里耗电量、cev表示电池容量、dx表示行驶起点到地点x的距离。[0025]所述步骤2中，基于出行链、蒙特卡罗抽样和马尔可夫决策理论，考虑车主主观意愿的ev充电负荷时空分布预测模型，应用于不同场景的充电负荷预测，具体如下：[0026]剩余电量和下一段行驶距离dnext之比越小，充电的意愿越强。采用模糊理论，根据用户主观意愿uusat来描述ev用户的主观充电意愿：[0027][0028]soc(x)表示ev在地点x的荷电状态计算式、cev表示电池容量、dnext表示下一段行驶距离、et(x)表示ev的实际每公里耗电量。[0029]引入ffuz表示充电意愿的模糊集，其隶属函数ffuz(uusat)，由以下公式(7)表示：[0030][0031]式中：uumaxsat、uuminsat分别为uusat的上、下限。uusat表示用户主观意愿、τ表示出于主观意愿给ev充电的概率。[0032]ev有两种充电模式，考虑充电成本和电池损耗，默认为慢充，若停驻结束，则慢充无法满足期望荷电状态socexp，即满足式(8)时选择快充：[0033][0034]cev表示电池容量、socexp表示期望荷电状态；[0035]式中：pslow为ev额定慢充功率，tip、sociinit分别为ev在停车点i的停车时长、初始荷电状态。若ev在行驶过程中的soc低于socthr，则会在中途进行充电，充电地点lmidpar为靠近目的地的充电站，充电时间tchar的计算公式如下：[0036][0037]dthr表示为ev从初始荷电状态socinit到临界荷电状态socthr的可行驶距离、socthr表示临界荷电状态、为靠近目的地的充电站的充电地点、rc表示ev的soc降至socthr时，经过充电站的数量、∑dr表示ev行程起点和第r个的充电站之间的距离、j表示第j个地点；[0038][0039]式中：dthr为ev从socinit到临界荷电状态socthr的可行驶距离；∑dr表示ev行程起点和第r个的充电站之间的距离；rc表示ev的soc降至socthr时，经过的充电站的数量；f(rc)表示rc对应的交通网络，pfast和pslow为额定快充功率和慢充功率。tchar表示充电时间、dmid表示从行驶起点到电动汽车的soc将至0时到达的充电站点之间的距离、∑dr表示ev行程起点和第r个的充电站之间的距离；[0040]根据交通节点和配电网络的耦合关系，统计各配电节点的时空负荷，配电节点z处的充电负荷pz(t)和配电网总充电负荷pdn(t)表示为：[0041][0042]表示在t时刻第n个电动汽车的充电功率、n表示z节点电动汽车充电数量。[0043][0044]pz(t)表示配电节点z处的充电负荷；[0045]式中：nev和nw分别为t时刻充电节点ev和充电节点数量，将pdn(t)储存于nw×24的矩阵w中，当模拟y1的数量达到最大值z1或满足公式(13)，模拟终止，否则重复充电负荷预测。[0046][0047]式中：wb表示w中的第b列向量；anwb表示第n次模拟的wb中的平均值；ξ1为收敛精度。表示第n-1次模拟的wb中的平均值；[0048]所述步骤3中，考虑综合运行成本和电压偏差指标，则adn动态重构与有功、无功联合优化数学模型的目标函数为：[0049]min{μ1(fl fdg fo) μ2cvfv}ꢀꢀ(14)；[0050]式中：fl、fdg和fo分别为有功网损、弃风弃光和开关动作的费用，fv为电压偏差；μ1和μ2为权重系数，且μ1 μ2＝1。cv表示成本系数；[0051][0052][0053][0054][0055]式中，t为总调度时间24h；ωe和ωdg分别为电网支路集合和dg所在节点集合；cl、cd和cv为不同成本系数；vth为理想运行电压的上下限阈值。iij,t表示t时刻流过支路ij的电流。rij表示支路ij的电阻，δt表示单个调度时间段，δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、pdg表示dg所在节点的有功功率，表示t时刻dg节点中i节点的有功功率。δzij0表示支路ij开关的初始状态。[0056]所述步骤4中，计及主动管理技术和ev时空分布，调节约束条件：[0057]1)系统功率约束：[0058][0059][0060][0061][0062]式中：δzij为0、1变量，表示支路ij处于开、闭状态；pg,i,t、qg,i,t分别为t时刻的注入节点i有功、无功功率；pij,t、qij,t为t时刻流过支路ij的有功、无功功率，均以从节点i流出为正；gij和bij分别为支路ij的电导和电纳；vi,t、vj,t和θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、n(i)表示与节点i相连的节点集合。[0063]2)支路载流量约束：[0064][0065]式中：iij,max为电流幅值的最大值。λij表示支路连接状态；[0066]3)节点电压约束：[0067]vi,min≤vi,t≤vi,maxꢀꢀ(24)；[0068]式中：vi,min和vi,max为节点i电压下限和上限。[0069]4)辐射型网络约束：[0070][0071]式中：eij、eji均为0、1变量，eij＝1表示支路潮流方向为节点j流向节点i，且节点j为节点i的父节点；n(i)表示与节点i相连的节点集合；ymk,e、ykm,e亦为0/1变量。eij、eji均为布尔变量：eij表示支路i-j的潮流方向变量、eji表示支路j-i的潮流方向变量、ymk,e、ykm,e均为0/1变量。e1j＝0限制了潮流只能从1号节点流出，为变电站节点、m和k分别为对偶图的节点，e为对偶图节点连接的支路、mk、sk分别为m,k节点集合。[0072]具体方法如下：[0073]现有配电网重构相关文献往往不涉及对偶图，根据图论提出一种求解配电网对偶图的算法。[0074]任意一个平面上的图g，若满足以下条件：[0075]①在g的每个面fi中选定一个点vi作为顶点；[0076]②对于g中的每条边e，画一条线e’，并且该线仅与e相交，其连接位于e两边的面fi中的顶点vi’作为边。[0077]该图称为图g的对偶图g’。[0078]求解对偶图的具体步骤如下：[0079]步骤①：将配电网络中所有开关闭合后转换为无向平面图g，并生成网络邻接矩阵，确定节点最大编号k，设m＝1。[0080]步骤②：判断有无与节点k相连的两个相异节点i，j。若不存在，则与节点k相连节点组成的支路在对偶图无对应支路。[0081]步骤③：使用floyd算法求解节点i和j之间所有节点编号都不大于k的最短路径。将该路径和路径ik、jk共同组成第m个最小环并储存。[0082]步骤④：判断k是否小于1，若不满足，则令k＝k-1，m＝m 1，并返回步骤二。若满足，取各最小环选一个点作为对偶节点，并记录对偶图节点数m。[0083]步骤⑤：搜索并记录原图g中m个最小环中每支路对应对偶节点之间连接状态。[0084]5)cb约束：[0085]投切电容器(capacitorbanks,cb)，其约束为：[0086][0087]式中：yj,tcb为t时段电容投运组数，为整数变量，qjcb,step为每组电容器的无功输出量。[0088]表示t时段投运的电容器的无功输出量、表示t时刻电容投运的最大组数、表示任意一个、ωcb表示cb所在节点集合，t表示t时段；[0089]6)svc约束：[0090]静止无功补偿装置(staticvarcompensation,svc)，其约束为：[0091][0092]式中：qjsvc,min、qjsvc,max为svc功率的下、上限。[0093]表示t时刻节点j无功补偿功率大小、ωsvc表示svc所在节点集合；[0094]7)oltc运行约束：[0095]有载分接开关(onloadtapchanger,oltc)，其约束为：[0096][0097]式中：rj,t表示oltc变比平方、rj,s表示oltc档位s和档位s-1的变比平方差值、vj,min、vj,max分别表示节点j可调压的最小/最大的范围。ωsub为变电站节点；vj,tbase为变压器高压侧电压值；rj,t为oltc变比平方，rjmax和rjmin为rj,t上、下限；rj,s为oltc档位s、s-1的变比平方差值；δj,s,toltc为0/1变量，调节次数约束如下：[0098][0099]式中：δj,toltc,in和δj,toltc,de为oltc档位调节变化，t和t-1表示时间；srj为档位变化最大范围；λjoltc,max为oltc档位日内可动作最大次数。为0/1变量，表示档位调节变化，保证档位依次动作111000。[0100]8)ess约束：[0101][0102]式中：yj,tch和yj,tdis表示充、放电状态，为0、1变量；pjmax、ej,tess、α、β分别为ess最大充电功率、t时段的电量和充、放电效率。表示ess在t 1时段的电量、表示ess在t时段的电量、表示最大电量、表示放电状态时的功率、表示充电状态时的功率。[0103]9)dg出力约束[0104]分布式新能源(distributedgeneration,dg)接入的有功功率和无功功率约束如下：[0105][0106]式中：pdg,j,t和qdg,j,t分别为t时刻dg节点处的实际有功、无功功率；和为该时刻出力预测值和弃dg的量；并且对dg采取限定功率因素范围运行。pdg,j,t、qdg,j,t分别表示t时刻dg节点处的有功、无功功率、表示t时刻出力预测值、表示dg的有功功率角。[0107]10)开关动作次数约束：[0108][0109]式中：δzij0表示支路ij开关的初始状态；λswmax为最大动作次数。δzij为0、1变量，表示支路ij处于开、闭状态，ωe表示电网支路集合；[0110]所述步骤4中，利用二阶锥松弛的方法将非凸形式的潮流约束进行凸化处理，具体如下：[0111]为保证解的最优性和近似精度，首先对潮流方程进行变量替换，定义：[0112][0113]ui,t、uj,t分别对应到支路“i-j”相关的“支路电压”变量、wij,t和tij,t为与线路“i-j”相关的变量、vi,t、vj,t、θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。[0114]上式中存在离散变量与连续变量相乘，引入支路通断状态和支路电压共同决定的支路虚拟端电压变量进行解耦，并增加以下约束：[0115][0116]分别为与节点i，j相关的节点电压变量、ui,t、uj,t表示对应到支路“i-j”相关的“支路电压”变量，δzij表示布尔变量，其数值为0/1时表示支路ij处于断开/闭合状态、vi,max、vj,max分别表示节点i，j可调压的最小/最大的范围。[0117]以及公式可知，当δzij＝0时，ui,tij＝uj,tij＝0；当δzij＝1时，ui,tij＝ui,t、uj,tij＝uj,t，进行变量代换，则潮流方程转化为：[0118][0119]分别为与节点i，j相关的节点电压变量，pij,t、qij,t为t时刻流过支路ij和的有功、无功功率，均以从节点i流出为正；pji,t、qji,t为t时刻流过支路ji和的有功、无功功率，均以从节点j流出为正；gij和bij分别为支路ij的电导和电纳；wij,t和tij,t为与线路“i-j”相关的变量；[0120][0121]分别为与节点i，j相关的节点电压变量、wij,t和tij,t为与线路“i-j”相关的变量。[0122]对上式(36)进行二阶锥松弛为：[0123][0124]分别为与节点i，j相关的节点电压变量、wij,t和tij,t为与线路“i-j”相关的变量。[0125]所述步骤4中，引入支路虚拟端电压变量，对非凸的变量乘积项进行变量分离线性化，具体如下：[0126]消除开关次数约束条件中含有的绝对值非线性约束，引入辅助变量进行线性化：[0127][0128]以及公式中yij为辅助变量，yij＝1表示开关状态改变；反之，不变。[0129]表示支路ij开关的初始状态；δzij为0、1变量，表示支路ij处于开、闭状态；[0130]adn动态重构与无功、有功联合优化数学模型的目标函数中的电压偏差绝对值通过引入辅助变量ui,taux进行线性化：[0131][0132]fv为电量偏差、表示辅助变量、ui,t、uj,t表示对应到支路“i-j”相关的“支路电压”变量、vth为理想运行电压的上下限的阈值。[0133]通过转化，将联合优化数学模型转换为一个混合整数二阶锥规划问题。[0134]还包括步骤6，所述步骤6中，基于修改的ieee33节点系统算例，进行仿真验证：[0135]1)、根据输入参数的不同，对工作日、双休日、高温日和拥堵日四个不同的场景进行建模分析。[0136]2)、不同场景下的充电负荷在时间和空间上都有较大的波动，对不同模式下的优化结果进行对比分析，为此满足ev时空负荷接入adn的安全、稳定运行。选取负荷波动最大的拥堵日，分析四种不同模式下的优化结果：[0137]模式1：仅考虑ess和dg有功功率优化。[0138]模式2：在模式1的基础上考虑电压偏差。[0139]模式3：在模式2的基础上添加oltc、cb、svc进行有功-无功功率联合优化。[0140]模式4：在模式3有功、无功功率联合优化的基础上添加动态网络重构。[0141]本发明一种基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，技术效果如下：[0142]1)本发明计及温度、交通状况和车主主观意愿的ev充电负荷时空分布预测模型考虑了天、人、路对ev出行路径的影响，可以真实反映ev出行路径的随机性和各因素间的耦合性。[0143]2)本发明计及主动管理技术和考虑经济性与技术性指标的adn动态重构与有功、无功联合优化模型可显著降低网损、促进dg消纳和减少系统电压波动；同时可以通过改变经济性与技术性指标权重得到体现偏好的adn运行方案。[0144]3)本发明利用二阶锥松弛和变量乘积线性化有效地将联合优化模型进行凸化处理，在满足工程求解精度的同时降低了求解的复杂度，显著提高了模型的求解效率。储能削峰填谷作用明显，ev充电站合理配置储能系统将进一步降低ev时空负荷随机性对电网的冲击，提高adn运行的经济性和可靠性。附图说明[0145]图1为基于马尔可夫决策理论的交通网络示意图。[0146]图2为电动汽车充电负荷计算流程图[0147]图3为某城区路-网耦合拓扑示意图；[0148]图4(1)为工业区、商业区和居民区24小时动态负荷数据参数示意图。[0149]图4(2)24小时分时电价参数图。[0150]图5(1)为工作日的充电负荷时空分布图；[0151]图5(2)为双休日的充电负荷时空分布图。[0152]图6(1)为高温日的充电负荷时空分布图；[0153]图6(2)为拥堵日的充电负荷时空分布图；[0154]图7(1)为模式1下的24h网络节点电压分布图；[0155]图7(2)为模式2下的24h网络节点电压分布图；[0156]图7(3)为模式3下的24h网络节点电压分布图；[0157]图7(4)为模式4下的24h网络节点电压分布图。[0158]图8(1)为各设备节点的无功补偿的出力情况示意图；[0159]图8(2)为各设备节点的储能额充放电情况示意图。[0160]图9为配电网的二阶松弛误差分析图。具体实施方式[0161]下面结合实施例及附图，对本发明做进一步地详细说明，但本发明的实施方式不限于此。[0162]基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法，包括如下步骤：[0163]1、考虑综合运行成本和电压偏差指标，则主动配电网动态重构与无功、有功联合优化数学模型：[0164]min{μ1(fl fdg fo) μ2cvfv}[0165]式中：fl、fdg和fo分别为有功网损、弃风弃光和开关动作的费用，fv为电压偏差；μ1和μ2为权重系数，且μ1 μ2＝1。[0166]2、ev充电负荷预测模型：[0167]考虑基于交通运输能力的速度-流量模型，综合考虑实际温度，交通运输状况的ev单位里程能耗模型以及ev的荷电状态：[0168][0169]式中：νti,j(x)为道路(i,j)上x处ev的速度，i和j分别为道路的两侧，dti,j(x)表示道路(i,j)的车流量，tri,j表示交通运输能力，a1、a2、a3为道路自适应系数，χt为t时刻道路饱和度。[0170]计及空调开启的ev每公里耗电量计算如下：[0171][0172]式中:eti,j(x)为未计空调开启的ev每公里耗电量。[0173]实际温度的变化能影响ev用户空调开启率，具体可表示为：[0174][0175]式中：ktemp为能量比例系数，假设生成某一温度均匀分布的随机数r，如果r＜kpect，则开启空调。q1～q4和c1～c3为拟合参数，b代表温度。[0176]综合式(2)和式(3)，ev的实际每公里耗电量可表示为：[0177][0178]因此，ev在地点x的荷电状态计算式为：[0179][0180]电动汽车的充电行为分为荷电状态不足时充电和行程结束后因里程焦虑主观意愿充电两类：1)电动汽车的soc可行驶距离不足以到达下一个目的地或者充电站时，则用户会选择在当前地点充电。2)电动汽车不足以满足下一段行程，用户会出于主观意愿给电动汽车充电。剩余电量和下一段行驶距离之比越小，充电的意愿越强。基于以上两种情况，采用模糊理论，根据用户满意度指标uusat来描述电动汽车用户的主观充电意愿：[0181][0182]引入ffuz表示充电意愿的模糊集，其隶属函数ffuz(uusat)可由以下公式(7)表示：[0183][0184]式中：uumaxsat、uuminsat分别为uusat的上、下限。[0185]ev有两种充电模式，考虑充电成本和电池损耗，默认为慢充，若停驻结束，则慢充无法满足期望荷电状态socexp，即满足式(8)时选择快充：[0186][0187]式中：pslow为ev额定慢充功率，tip、sociinit分别为ev在停车点i的停车时长、初始荷电状态。若ev在行驶过程中的soc低于socthr，则会在中途进行充电，充电地点lmidpar为靠近目的地的充电站，充电时间tchar的计算公式如下：[0188][0189][0190]式中：dthr为ev从socinit到临界荷电状态socthr的可行驶距离；∑dr表示ev行程起点和第r个的充电站之间的距离；rc表示ev的soc降至socthr时，经过的充电站的数量；f(rc)表示rc对应的交通网络，pfast和pslow为额定快充功率和慢充功率。[0191]根据交通节点和配电网络的耦合关系，统计各配电节点的时空负荷，配电节点z处的充电负荷pz(t)和配电网总充电负荷pdn(t)可以表示为：[0192][0193][0194]式中：nev和nw分别为t时刻充电节点ev和充电节点数量，将pdn(t)储存于nw×24的矩阵w中，当模拟y1的数量达到最大值z1或满足公式(14)，模拟终止，否则重复充电负荷预测。[0195][0196]式中：wb表示w中的第b列向量；anwb表示第n次模拟的wb中的平均值；ξ1为收敛精度。具体的时空负荷计算预测的流程图如图2所示。[0197]3、联合优化数学模型的约束条件：[0198]1)系统功率约束：[0199][0200][0201][0202][0203]式中：δzij为0、1变量，表示支路ij处于开、闭状态；pg,i,t、qg,i,t分别为t时刻的注入节点i有功、无功功率；pij,t、qij,t为t时刻流过支路ij的有功、无功功率，均以从节点i流出为正；gij和bij分别为支路ij的电导和电纳；vi,t、vj,t和θij,t分别为t时刻i、j的电压幅值和i、j之间的电压相位差。[0204]2)支路载流量约束：[0205][0206]式中：iij,max为电流幅值的最大值。[0207]3)节点电压约束：[0208]vi,min≤vi,t≤vi,maxꢀꢀ(24)；[0209]式中：vi,min和vi,max为节点i电压下限和上限。[0210]4)辐射型网络约束：[0211][0212]式中：eij、eji均为0、1变量，eij＝1表示支路潮流方向为节点j流向节点i，且节点j为节点i的父节点；n(i)表示与节点i相连的节点集合；ymk,e、ykm,e亦为0/1变量。[0213]配电网络一般都是闭环设计、开环运行，利用如下步骤所示的最小生成树法可以确保重构过程中配电网络的辐射结构。现有配电网重构相关文献往往不涉及对偶图，根据图论提出一种求解配电网对偶图的算法。任意一个平面上的图g，若满足以下条件：(1)在g的每个面fi中选定一个点vi作为顶点；(2)对于g中的每条边e，画一条线e’，并且该线仅与e相交，其连接位于e两边的面fi中的顶点vi’作为边。则该图称为图g的对偶图g’。[0214]求解对偶图的具体步骤如下：[0215]步骤一：将配电网络中所有开关闭合后转换为无向平面图g，并生成网络邻接矩阵，确定节点最大编号k，设m＝1。[0216]步骤二：判断有无与节点k相连的两个相异节点i，j。若不存在，则与节点k相连节点组成的支路在对偶图无对应支路。[0217]步骤三：使用floyd算法求解节点i和j之间所有节点编号都不大于k的最短路径。将该路径和路径ik、jk共同组成第m个最小环并储存。[0218]步骤四：判断k是否小于1，若不满足，则令k＝k-1，m＝m 1，并返回步骤二。若满足，取各最小环选一个点作为对偶节点，并记录对偶图节点数m。[0219]步骤五：搜索并记录原图g中m个最小环中每支路对应对偶节点之间连接状态。[0220]5)cb约束：[0221]cb为离散型无功补偿，其约束为：[0222][0223]式中：yj,tcb为t时段电容投运组数，为整数变量，qjcb,step为每组电容器的无功输出量。[0224]6)svc约束：[0225]svc为连续无功调节装置，其约束为：[0226][0227]式中：qjsvc,min、qjsvc,max为svc功率的下、上限。[0228]7)oltc运行约束：[0229]oltc为有载分接开关，其约束为：[0230][0231]式中：ωsub为变电站节点；vj,tbase为变压器高压侧电压值；rj,t为变比平方，rjmax和rjmin为rj,t上、下限；rj,s为oltc档位s、s-1的变比平方差值；δj,s,toltc为0/1变量，调节次数约束如下：[0232][0233]式中：δj,toltc,in和δj,toltc,de为oltc档位调节变化；srjoltc为档位变化最大范围；λjoltc,max为oltc档位日内可动作最大次数。[0234]8)ess约束：[0235][0236]式中：yj,tch和yj,tdis表示充、放电状态，为0、1变量；pjmax、ej,tess、α、β分别为ess最大充电功率、t时段的电量和充、放电效率。[0237]9)dc出力约束[0238]dg接入的有功功率和无功功率约束如下：[0239][0240]式中：pdg,j,t和qdg,j,t分别为t时刻dg节点处的实际有功、无功功率；pfdg,j,t和pcurtdg,j,t为该时刻出力预测值和弃dg的量；并且对dg采取限定功率因素范围运行。[0241]10)开关动作次数约束：[0242][0243]式中：δzij0表示支路ij开关的初始状态；λswmax为最大动作次数。[0244]4、利用二阶锥松弛的方法将非凸形式的潮流约束进行凸化处理，为保证解的最优性和近似精度，首先对潮流方程进行变量替换，定义：[0245][0246]上式中存在离散变量与连续变量相乘，引入支路通断状态和支路电压共同决定的支路虚拟端电压变量uiij、ujij进行解耦，并增加以下约束：[0247][0248]公式可知，当δzij＝0时，ui,tij＝uj,tij＝0；当δzij＝1时，ui,tij＝ui,t、uj,tij＝uj,t，进行变量代换，则潮流方程转化为：[0249][0250][0251]对上式(32)进行二阶锥松弛为：[0252][0253]引入支路虚拟端电压变量对非凸的变量乘积项进行变量分离线性化，消除开关次数约束条件中含有的绝对值非线性约束，引入辅助变量进行线性化：[0254][0255]以及公式中yij为辅助变量，yij＝1表示开关状态改变；反之，不变。[0256]adn动态重构与无功、有功联合优化数学模型的目标函数中的电压偏差绝对值通过引入辅助变量ui,taux进行线性化：[0257][0258]通过转化，将联合优化数学模型转换为一个混合整数二阶锥规划问题，求解效率大幅提高。[0259]5、算例分析：[0260]基于马尔可夫决策理论的ev出行路径，过程包含有出行链的决策时间集、空间状态集、动作集、转移概率矩阵集合以及回报值这五种参数，分别记为{t,s,a,p,r}，交通网络示意图如图1所示，以及根据出行路径与充电的时空信息进行充电负荷计算预测的流程图如图2所示。以修改的ieee33节点系统与城区路网耦合网络为算例，路-网耦合拓扑示意图如图3(1)所示，配电网节点的耦合关系、各时段网络道路饱和度以及各道路具体距离，如表1、表2、表3所示：[0261]表1路-网节点耦合信息参数[0262][0263]表2交通道路饱和度参数[0264][0265]表3交通道路长度参数[0266][0267]该区域工作日和双休日的出行链及比例和具体参数如表4所示，以及不同出行链的概率分布如表5所示。[0268]表4工作日和双休日出行链结构和构成比例参数[0269][0270]表5工作日和双休日出行链结构和构成比例参数[0271][0272]针对温度能耗模型和用户主观充电意愿模型，得到工作日与双休日充电负荷分布示意图如图5(1)～图5(2)所示，以及高温日与拥堵日充电负荷分布示意图如图6(1)～图6(2)所示，工业区、商业区和居民区24小时动态负荷数据参数和分时电价参数如图6所示。选取负荷波动最大的拥堵日，四种模式下的优化结果如表6所示。[0273]表6四种模式下的优化结果[0274][0275]从表6可以得到由于充电负荷波动很大，当不考虑ess和dg时，电压会低于0.95pu，电压越下限，所以没有设置对比分析。在考虑有功优化的基础上，四种模式下的优化结果如表1所示，对比模式1和模式2，可看出，运行成本略微增加，但电压的越下限风险明显降低；对比模式2和模式3可看出，有功-无功联合优化显著降低线损成本和主动购电费用，分别降低了49.4％和8.9％，同时大幅度减少dg的弃风、光现象，降低了81.1％；对比模式3和模式4，可看出考虑动态网络重构可以进一步降低网损和主动购电费用，分别降低了33.8％和4.4％，同时促进了dg的完全消纳，表明在ev时空负荷接入后动态重构和有功-无功联合优化对提高配电网经济运行方面有良好的效果。[0276]四种模式下的24h网络节点电压分布如图7(1)～图7(4)所示。[0277]svc、cb和oltc等设备的无功补偿和储能情况分别如图8(1)和图8(2)所示。[0278]这些设备的具体参数如表7所示。进行误差分析时，二阶锥松弛误差如图9所示。从图9可以得到可知二阶锥误差均为10-8数量级，二阶锥满足工程要求。从图中可见存在断点，是因为配电网运行方式为开环，网络中存在断开支路，而断开支路的误差为0。[0279]表7wt、pv、ess、cb以及svc设备参数[0280][0281]为验证模型的优越性，现将模型转化前后的求解速度进行比对。转换前优化模型为minlp，对于大规模非线性规划问题，现有的求解方法有智能算法和传统的数值方法，本文将以粒子群算法和knitro算法包为例进行比较，如表8所示，可以看出，直接求解所耗时间长且难以求解，将模型转化为misocp后，求解效率显著提升。[0282]表8不同方法求解速度比较[0283]table2differentmethodstosolvethespeed[0284][0285][0286]1)根据已知参数和建好的数学模型，温度能耗模型和用户主观充电意愿模型使充电时空分布更加真实，基于上述考虑，根据输入参数的不同，对工作日、双休日、高温日和拥堵日四个不同的场景进行建模分析。[0287]2)在工作日，工作区用电高峰时段主要集中在9:00-12:00，居民区和商业区用电高峰时段主要集中在18:00～22:00，其余时间各地点充电负荷几乎为0。而双休日不上班，工作区充电负荷基本为0，居民区和商业区的充电负荷09:00-24:00呈均匀分布。这种时空分布主要是由于行程的出行链结构和出发时间决定的。如图5(1)、图5(2)所示，工作日和双休日中各区域的负荷峰值时段相较出发起始时段均延迟1-3个小时，这个时间差为交通出行导致。此外，工作日的负荷峰值大概为双休日负荷峰值的1.5倍，这是因为双休日中30％的出行车辆数量为闲置，从而未产生额外充电负荷。[0288]3)研究温度和交通状况对充电需求的影响，进行了高温日和拥堵日的充电负荷预测，结果如图6(1)、图6(2)所示。需要说明的是，高温日和拥堵日的输入参数除温度和电动车行驶速度外，其余与工作日相同。可以看出，高温日的时空分布与工作日基本一致，但前者负荷峰值急剧增加，增长负荷占工作日负荷的80.1％。这是由于在高温日，ev的电能消耗不仅用于交通，还有一部分用于空调制冷。而对于拥堵日，充电负荷幅值相较工作日负荷增长52.3％，且负荷整体出现了时间维度上的迟滞，尤其是居民区在20:00以后才逐渐进入负荷高峰，这是因为ev的拥堵导致交通耗时增加，从而造成了接入时段整体后移。[0289]4)分析了不同场景下的充电负荷后，可发现，充电负荷在时间和空间上都有较大波动。为满足ev时空负荷接入adn的安全、稳定运行，本文进行对比分析。[0290]模式1：仅考虑ess和dg有功功率优化。[0291]模式2：在模式1的基础上考虑电压偏差。[0292]模式3：在模式2的基础上添加oltc、cb、svc进行有功-无功功率联合优化。[0293]模式4：在模式3有功、无功功率联合优化的基础上添加动态网络重构。[0294]5)由于充电负荷波动很大，当不考虑ess和dg时，电压会低于0.95pu，电压越下限，所以没有设置对比分析。在考虑有功优化的基础上，四种模式下的优化结果如表6所示，对比模式1和模式2，可看出，运行成本略微增加，但电压的越下限风险明显降低，结合图7(1)～图7(4)分析看出；对比模式2和模式3可看出，有功-无功联合优化显著降低线损成本和主动购电费用，分别降低了49.4％和8.9％，同时大幅度减少dg的弃风、光现象，降低了81.1％；对比模式3和模式4，可看出考虑动态网络重构可以进一步降低网损和主动购电费用，分别降低了33.8％和4.4％，同时促进了dg的完全消纳，表明在ev时空负荷接入后动态重构和有功-无功联合优化对提高配电网经济运行方面有良好的效果。[0295]6)四种模式下的网络节点电压分布如图7(1)～图7(4)所示。从图7(1)～图7(4)中可发现，模式1和模式2由于接入的负荷较大，并且未考虑oltc、cb、svc，导致配电网无功电压补偿不足，电压水平普遍偏低，但模式2考虑了电压偏差，电压在0.95pu附近的(图中的蓝色部分)明显减少；模式3采用了有功无功联合优化后，显著提高了各节点电压的水平，但电压曲线变化较大，这是由于充电负荷随时间变化较大导致的；而动态重构可以改善电压波动，对比模式2和模式3，模式4的动态重构和有功-无功联合优化使节点电压更为平稳，全部在0.97pu～1.03pu之间，可看出通过改变网络拓扑结构能有效平抑时空负荷引起的电压波动，提高配电网电压质量，也说明当ev时空负荷接入后，动态重构和多种主动管理措施能保证配电网的安全、经济运行。另外，添加电压偏移阈值后，运行成本只是略微上升，运营商可以通过牺牲一定的经济性，改变电压偏移的权重，从而降低电压越限的风险。[0296]7)无功补偿的出力如图8(1)所示，5节点的cb和svc设备在6:00后出力逐渐升高，并在10:00达到峰值，这是由于5号节点相连的25号节点对应的区域为工业区，其用电高峰主要集中在09:00-12:00，同时此时段系统的总负荷也最大，所以5节点的补偿值在该时段达到最大，并且其它节点的补偿值也有所提高。储能的充、放电是由电价和负荷共同决定的，如图8(2)所示，0:00-7:00和9:00-12:00电价分别处于最低和最高，储能受分时电价的影响在0:00-7:00进行充电、9:00-12:00进行放电。节点15和节点32所属的居民区和商业区在20:00以后才进入负荷高峰，为减轻高负荷对电网的冲击，储能在13:00-19:00进行充电，20:00-24:00进行放电，可以看出储能在ev接入后起到了一个良好的削峰填谷的作用。另外，两个节点储能的充、放电趋势大致相同说明电价是影响储能出力的主要原因。[0297]8)由图9可知，二阶锥误差均为10-8数量级，二阶锥满足工程要求。从图中可见存在断点，是因为配电网运行方式为开环，网络中存在断开支路，而断开支路的误差为0。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
